| 1 |
1
다음의 단계를 포함하는 딥러닝 기반 표적신호 검출 방법:(a) 센서로부터 노이즈 신호를 수신하는 단계; 및(b) 상기 노이즈 신호를 표적신호의 존재 유무를 판단할 수 있는 인공 신경망에 입력하여 표적신호의 존재 유무를 판정하는 단계
|
| 2 |
2
제1항에 있어서, 상기 센서는 고체센서, 전기화학센서, 적외선 센서 또는 광이온 센서인 것을 특징으로 하는 딥러닝 기반 표적신호 검출 방법
|
| 3 |
3
제1항에 있어서, 상기 노이즈 신호는 센서의 검출한계(Limit of Detection, LOD)이하의 신호인 것을 특징으로 하는 딥러닝 기반 표적신호 검출 방법
|
| 4 |
4
제1항에 있어서, 상기 인공 신경망은 표적신호가 포함되지 않은 노이즈 신호를 학습한 것을 특징으로 하는 딥러닝 기반 표적신호 검출 방법
|
| 5 |
5
제1항에 있어서, 상기 인공신경망은 가우시안 혼합 모델(Gaussian mixture model), 히스토그램 기반 모델(Histogram-based model), 클러스터 기반 모델(Cluster-based model), 및 오토인코더(auto encoder)로 구성된 군에서 선택되는 것을 특징으로 하는 딥러닝 기반 표적신호 검출 방법
|
| 6 |
6
제5항에 있어서, 상기 오토인코더는 적층 오토인코더(stacked autoencoder), 잡음제거 오토인코더(denoising autoencoder), 적층잡음제거 오토인코더(stacked denoising autoencoder), 희소 오토인코더(sparse autoencoder), 변이 오토인코더(variational autoencoder), 수축 오토인코더(contractive autoencoder), LSTM(Long-short term memory) 기반 오토인코더, GRU(gated recurrent units) 기반 오토인코더, 합성곱 신경망(convolutional neural network, CNN) 기반 오토인코더, 생성적 적대 신경망(generative adversarial neural network), 바닐라 순환 신경망(Vanilla recurrent neural network) 및 집중적 순환 신경망(attentive recurrent neural network)으로 구성된 군에서 선택되는 것을 특징으로 하는 딥러닝 기반 표적신호 검출 방법
|
| 7 |
7
제1항에 있어서, 상기 표적신호의 존재 유무를 판정하는 단계는 상기 인공 신경망이 입력된 상기 노이즈 신호를 재구축한 다음, 이를 분석하여 판정하는 것을 특징으로 하는 딥러닝 기반 표적신호 검출 방법
|
| 8 |
8
제7항에 있어서, 상기 분석은 표적신호가 포함되지 않은 노이즈 신호의 재구축 에러율과 입력된 노이즈 신호의 재구축 에러율을 비교하여 기준값(cut-off value) 초과일 경우, 표적물질이 포함된 것으로 판정하는 것을 특징으로 하는 딥러닝 기반 표적신호 검출 방법
|
| 9 |
9
노이즈 신호를 수신하는 신호 수신부;상기 신호를 인공신경망에 입력하는 입력부;인공 신경망을 이용하여 표적신호의 존재 유무를 판정하는 판단부; 및표적신호의 존재 유무를 출력하는 출력부;를 포함하는 표적신호 검출 장치
|
| 10 |
10
제9항에 있어서, 상기 인공신경망은 가우시안 혼합 모델(Gaussian mixture model), 히스토그램 기반 모델(Histogram-based model), 클러스터 기반 모델(Cluster-based model), 및 오토인코더(auto encoder)로 구성된 군에서 선택되는 것을 특징으로 하는 표적신호 검출 장치
|
| 11 |
11
제10항에 있어서, 상기 오토인코더는 적층 오토인코더(stacked autoencoder), 잡음제거 오토인코더(denoising autoencoder), 적층잡음제거 오토인코더(stacked denoising autoencoder), 희소 오토인코더(sparse autoencoder), 변이 오토인코더(variational autoencoder), 수축 오토인코더(contractive autoencoder), LSTM(Long-short term memory) 기반 오토인코더, GRU(gated recurrent units) 기반 오토인코더, 합성곱 신경망(convolutional neural network, CNN) 기반 오토인코더, 생성적 적대 신경망(generative adversarial neural network), 바닐라 순환 신경망(Vanilla recurrent neural network) 및 집중적 순환 신경망(attentive recurrent neural network)으로 구성된 군에서 선택되는 것을 특징으로 하는 표적신호 검출 장치
|
| 12 |
12
제9항의 장치를 포함하는 표적신호 검출용 센서
|
| 13 |
13
컴퓨터 판독 가능한 저장 매체로서, 표적신호를 검출하는 프로세서에 의해 실행되도록 구성되는 명령을 포함하되,(a) 센서로부터 노이즈 신호를 수신하는 단계; 및(b) 상기 노이즈 신호를 표적신호의 존재 유무를 판단할 수 있는 인공 신경망에 입력하여 표적신호의 존재 유무를 판정하는 단계를 통하여, 표적신호를 검출하는 프로세서에 의해 실행되도록 구성되는 명령을 포함하는 컴퓨터 판독 가능한 저장 매체
|
| 14 |
14
제13항에 있어서, 상기 인공신경망은 가우시안 혼합 모델(Gaussian mixture model), 히스토그램 기반 모델(Histogram-based model), 클러스터 기반 모델(Cluster-based model), 및 오토인코더(auto encoder)로 구성된 군에서 선택되는 것을 특징으로 하는 컴퓨터 판독 가능한 저장 매체
|
| 15 |
15
제14항에 있어서, 상기 오토인코더는 적층 오토인코더(stacked autoencoder), 잡음제거 오토인코더(denoising autoencoder), 적층잡음제거 오토인코더(stacked denoising autoencoder), 희소 오토인코더(sparse autoencoder), 변이 오토인코더(variational autoencoder), 수축 오토인코더(contractive autoencoder), LSTM(Long-short term memory) 기반 오토인코더, GRU(gated recurrent units) 기반 오토인코더, 합성곱 신경망(convolutional neural network, CNN) 기반 오토인코더, 생성적 적대 신경망(generative adversarial neural network), 바닐라 순환 신경망(Vanilla recurrent neural network) 및 집중적 순환 신경망(attentive recurrent neural network)으로 구성된 군에서 선택되는 것을 특징으로 하는 컴퓨터 판독 가능한 저장 매체
|
